本论文提出了一种使用卷积神经网络进行局部对象在杂乱环境中的 3D 对象实例识别和姿态估计的方法，通过引入动态边界到多样性拓扑学习的三元组损失函数中，来在低维描述符空间上建立对象相似度模型，采用新背景噪声类型和表面法线等多种模态的图像数据进行训练，形成了更高维的特征表征以及更好的训练平衡性。

Apr, 2019

本文提出了使用三元组网络和全局损失函数来学习本地图像描述符的方法，使用 UBC 基准数据集进行比较，结果表明在减少 UBC 数据集误差方面，三元组网络比 Siamese 网络更准确，并且三元组和全局损失函数的组合是最佳的。最后，本文还展示了在 UBC 数据集上使用全局损失的中心 - 环绕 Siamese 网络的表现最好。

Dec, 2015

本研究提出了一种新的基于卷积神经网络的多任务全局姿态矫正和里程计评估方法 VLocNet，该模型结构紧凑、可实现实时推断，并采用了一种新颖的辅助损失函数来利用相关位姿信息进行训练，在室内和户外数据集上的实验结果表明，该模型具有可与 SIFT 算法媲美、甚至优于其表现的定位精度。

Mar, 2018

本文提出了一种基于深度端到端网络的长期六自由度视觉里程法，通过融合相对网络和全局网络来改进单目定位的准确性，并使用交叉变换约束和均方误差来优化参数，实验结果表明本方法在位姿准确性方面优于其他最先进的基于学习的视觉里程计方法。

Dec, 2018

本文使用新型网络结构和更密集的卫星图像描述符进行多模式区域定位，可将度量定位误差中位数相对于同一区域、跨区域和跨时间的现有技术分别降低 51％、37％和 28％。

Aug, 2022

本文提出了一种使用三元组损失（triplet loss）的卷积神经网络方法，该方法采用膨胀残差卷积神经网络（dilated residual convolutional neural network）提取高分辨率表示，并通过广义均值池化（Generalized-Mean pooling）方法增强提取的表示的鲁棒性，该方法在 Revisited Paris6k 和 UKBench 等数据集上取得良好的图像检索精度。

Mar, 2023

本文提出了一种新的基于异常值感知神经树的相机定位算法，通过对室内场景进行层次化空间划分和深度学习的路由函数实现更好的三维场景理解，同时使用异常值拒绝模块来过滤掉动态点，并在 RIO-10 基准测试中达到了比现有技术更高的相机姿态精度。

Dec, 2020

本文提出了一种基于单片式 CNN 的分层定位方法 HF-Net，通过利用粗到细的定位范例实现了在大规模环境和重要外观变化的情况下更准确地进行 6 自由度定位。除此之外，通过利用学习描述符，使我们的方法在大幅度外观变化的情况下实现了卓越的定位鲁棒性，并为大规模定位的两项具有挑战性的基准设定了新的标准。

Dec, 2018

该论文提出了一种从单个全景图像中恢复室内场景的三维布局恢复新方法，该方法结合几何推理和深度学习技术，从而提取结构角并生成房间的布局模型，并在 SUN360 和 Stanford 公共数据集上进行实验。

Jun, 2018

本文提出了一种使用 Google Street View 中地理标记全景作为全局定位源的新方法，通过追踪短单眼相机序列中的特征点，估计 3D 位置，然后计算 Street View 全景图与估计点之间的刚体变换，进而实现了机器人自动测距。

Mar, 2015